最后
这份文档从构建一个键值数据库的关键架构入手,不仅带你建立起全局观,还帮你迅速抓住核心主线。除此之外,还会具体讲解数据结构、线程模型、网络框架、持久化、主从同步和切片集群等,帮你搞懂底层原理。相信这对于所有层次的Redis使用者都是一份非常完美的教程了。
整理不易,觉得有帮助的朋友可以帮忙点赞分享支持一下小编~
你的支持,我的动力;祝各位前程似锦,offer不断!!!
test_loader = torch.utils.data.DataLoader(
datasets.MNIST(‘data’, train=False, transform=transforms.Compose([
transforms.ToTensor(),
transforms.Normalize((0.1307,), (0.3081,))
])),
batch_size=BATCH_SIZE, shuffle=True)
3.3 搭建深度学习网络模型
class ConvNet(nn.Module):
def init(self):
super().init()
batch128*28(每次会送入batch个样本,输入通道数1(黑白图像),图像分辨率是28x28)
下面的卷积层Conv2d的第一个参数指输入通道数,第二个参数指输出通道数,第三个参数指卷积核的大小
self.conv1 = nn.Conv2d(1, 10, 5) # 输入通道数1,输出通道数10,核的大小5
self.conv2 = nn.Conv2d(10, 20, 3) # 输入通道数10,输出通道数20,核的大小3
下面的全连接层Linear的第一个参数指输入通道数,第二个参数指输出通道数
self.fc1 = nn.Linear(201010, 500) # 输入通道数是2000,输出通道数是500
self.fc2 = nn.Linear(500, 10) # 输入通道数是500,输出通道数是10,即10分类
def forward(self,x):
in_size = x.size(0) # 在本例中in_size=512,也就是BATCH_SIZE的值。输入的x可以看成是512128*28的张量。
out = self.conv1(x) # batch12828 -> batch102424(28x28的图像经过一次核为5x5的卷积,输出变为24x24)
out = F.relu(out) # batch1024*24(激活函数ReLU不改变形状))
out = F.max_pool2d(out, 2, 2) # batch102424 -> batch101212(2*2的池化层会减半)
out = self.conv2(out) # batch101212 -> batch201010(再卷积一次,核的大小是3)
out = F.relu(out) # batch2010*10
out = out.view(in_size, -1) # batch201010 -> batch2000(out的第二维是-1,说明是自动推算,本例中第二维是201010)
out = self.fc1(out) # batch2000 -> batch500
out = F.relu(out) # batch*500
out = self.fc2(out) # batch500 -> batch10
out = F.log_softmax(out, dim=1) # 计算log(softmax(x))
return out
3.4 确定要使用的优化算法
这里使用简单粗暴的Adam
model = ConvNet().to(DEVICE)
optimizer = optim.Adam(model.parameters())
3.5 定义训练函数
def train(model, device, train_loader, optimizer, epoch):
model.train()
for batch_idx, (data, target) in enumerate(train_loader):
data, target = data.to(device), target.to(device)
optimizer.zero_grad()
output = model(data)
loss = F.nll_loss(output, target)
loss.backward()
optimizer.step()
if(batch_idx+1)%30 == 0:
print(‘Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}’.format(
epoch, batch_idx * len(data), len(train_loader.dataset),
-
- batch_idx / len(train_loader), loss.item()))
3.6 定义测试函数
def test(model, device, test_loader):
model.eval()
test_loss = 0
correct = 0
with torch.no_grad():
for data, target in test_loader:
data, target = data.to(device), target.to(device)
如何快速更新自己的技术积累?
- 在现有的项目里,深挖技术,比如用到netty可以把相关底层代码和要点都看起来。
- 如果不知道目前的努力方向,就看自己的领导或公司里技术强的人在学什么。
- 知道努力方向后不知道该怎么学,就到处去找相关资料然后练习。
- 学习以后不知道有没有学成,则可以通过面试去检验。
我个人觉得面试也像是一场全新的征程,失败和胜利都是平常之事。所以,劝各位不要因为面试失败而灰心、丧失斗志。也不要因为面试通过而沾沾自喜,等待你的将是更美好的未来,继续加油!
以上面试专题的答小编案整理成面试文档了,文档里有答案详解,以及其他一些大厂面试题目
试题解析+核心总结学习笔记+最新讲解视频+实战项目源码】](https://bbs.csdn.net/forums/4f45ff00ff254613a03fab5e56a57acb)收录**